[发明专利]一种鲁棒的基于图卷积的点云表征学习方法

权利要求书

1.一种鲁棒的基于图卷积的点云表征学习方法，包括如下步骤：

s1、获取点云数据；

s2、对于点云数据进行体素化然后采用贪心算法进行下采样；

s3、基于采样完的点云进行图的构建；

s4、定义图卷积，然后提取构建出来图的特征；

s5、采用双流网络、注意力机制以及多尺度特征融合增强模型健壮性，最后得到训练完成的模型。

2.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，所述步骤s1中，采用随机采样方法实现三维模型的点云提取。

3.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，所述步骤s2中，进一步包括：

s21、对于获取的点云数据，首先进行体素化，定义每个体素的大小，对于整个的点云数据进行体素化，左上角为坐标原点，以每个体素各方向大小为坐标点，对于每个点云进行体素坐标索引；

s22、在非空体素内，随机选取三个点云作为代表点，随机选取M个体素作为初始的采样后的中心点，采用贪心算法计算体素及周围邻居体素内点云数目覆盖率(当前选取体素及邻居中的点云数量/所有的点云数量)最高的体素，并记录体素索引。

通过体素化来提高数据的结构化效率，通过只对已占用区域进行计算来提高计算效率。

4.根据权利要求3所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，对体素化后的点云，根据覆盖率的大小进行排序，选择前M个的体素采用K-NN算法图的构建。

5.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，所述步骤s4中，对于图定义一种全新的图卷积，卷积核的大小以及边权重是可学习的，在精度与计算复杂度中找到一个平衡点。

6.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，所述步骤s4中，定义的图卷积对于点云数据发生平移旋转缩放的变化时具有很强的鲁棒性。

7.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，所述步骤s4中，定义的卷积核是图，更完美的适合图上的表征学习。

8.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，所述步骤s5中，并行的双流图卷积网络、注意力机制可以更充分地得到原始物体的几何流形。

9.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，采用金字塔池化的方法提取不同尺度的特征，防止图表征学习的过平滑。

10.根据权利要求1所述的一种鲁棒的基于图卷积的点云表征学习方法，其特征在于，整个网络在训练以及测试过程中都是端到端实现的。